AI_NovelGenerator深度解析：AI长篇小说生成系统如何让写作不断线

AI_NovelGenerator深度解析AI长篇小说生成系统如何让写作不断线【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGeneratorAI_NovelGenerator是一款基于大语言模型、自动生成长篇小说的本地GUI工具它用设定→目录→草稿→定稿四阶段流水线和一套文件化记忆系统解决AI写长篇时最常见的三个问题上下文遗忘、设定漂移、伏笔消失。本文按数据流拆解每个模块的代码职责与设计动机并给出三步跑通的配置方法读完后你既能用它创作也能理解这类AI写作流水线是怎么搭的。 从痛点切入AI写长篇会断的三件事先说清楚这个系统到底在解决什么。让大模型一口气写完五十章小说通常会断在三处装不下模型有上下文窗口一次能看到的文本上限写到后期前文根本塞不进提示词记不准每次调用模型都是失忆的同一个角色的性格、同一个设定的细节会被反复重新解释忘伏笔第三章埋的线索到第三十章彻底没人记得。AI_NovelGenerator 的思路不是让模型记住更多而是把记忆外置到输出目录里的一堆文本文件每一步只把该看的内容装进提示词。这是它全部设计的出发点。 打开输出目录先看记忆长什么样跟着一次完整生成走一遍产物全部落在你指定的输出文件夹里都是可直接打开、可直接手改的纯文本Novel_architecture.txt世界观、角色动力学、三幕式情节架构Novel_directory.txt全书目录每章一段定位、核心作用、伏笔设计、悬念密度chapters/chapter_N.txt各章正文global_summary.txt/character_state.txt全局摘要与角色状态表每章定稿后更新vectorstore/本地向量索引所有长期记忆都以落盘文件形式存在。这意味着任何一步出错、任何一处不满意你都能改完文件接着生成——这也是整个系统可断点能力的地基。⚙️ 四阶段流水线怎么走设定、目录、草稿、定稿第一步·设定层四步链路失败可续传novel_generator/architecture.py负责设定生成内部是串联四次模型调用核心种子→角色动力学→世界观→三幕式情节后一步引用前一步的结果。每个步骤完成后立即写入partial_architecture.json若中途API报错下次进入会从断点步骤继续而不是从头再来。全部完成后合并输出Novel_architecture.txt并顺带初始化character_state.txt。这样设计的原因很直接长链路调用必然遇到偶发失败分步落盘等于给生成过程装了存档点。第二步·目录层分块生成目录不怕长novel_generator/blueprint.py依据设定生成全书目录。它做了三层防护按max_tokens粗略估算单批能写多少章compute_chunk_size超出就分批生成检测到已有目录时解析其中最大章号从下一章继续不重跑传给模型的旧目录只保留最近100章limit_chapter_blueprint防止提示词膨胀。写200章小说的目录一次生成几乎必然失败分块断点续传窗口截断就是为这种规模准备的。第三步·草稿层五路上下文拼成一份提示词novel_generator/chapter.py是整条流水线里最复杂的一环。build_chapter_prompt把五路信息组装进提示词全局摘要global_summary.txt角色状态表character_state.txt上一章结尾最后800字保证语气和场景接得上最近三章由模型生成的短摘要截断至2000字向量检索出的历史内容见下一节检索关键词不是人工填的模型先根据本章信息生成最多5组人物·场景式关键词再逐组检索。检索结果会打上[TECHNIQUE]/[SETTING]/[GENERAL]标签近两章内容标记为跳过、3到5章前的标记需改写40%以上最后再经模型过滤一轮。这一步本质是组装简报而非倾倒全文token预算因此可控。第四步·定稿层状态合并与索引更新一步完成novel_generator/finalization.py的finalize_chapter做三件事用模型把新章节内容合并进global_summary.txt和character_state.txt写入采用先写临时文件、再原子改名_write_text_atomic中途崩溃也不会留下半个损坏文件将正文按约500字符切段后插入向量库供后续章节检索。草稿只是临时稿定稿才是记忆正式生效的时点这个边界划分得很清楚。 向量检索怎么配调取第三章发生过什么向量检索是把文本转成数值向量后按含义找相似段落适合回答很久以前写过什么这类问题。novel_generator/vectorstore_utils.py把它做得很轻量向量库用本地 Chroma直接持久化在输出目录的vectorstore/子目录不需要部署任何服务入库前把句子合并为约500字的段落split_text_for_vectorstore检索取最相关的 k 条单次结果上限2000字符避免一次灌太多novel_generator/knowledge.py还支持把外部资料文件如你的设定集导入同一个向量库让检索同时覆盖写过的剧情和参考资料。分工很清晰摘要和近章文本负责最近发生了什么向量检索负责更早之前发生过什么两者拼成长程记忆。注意切换 Embedding 模型后建议清空vectorstore/旧向量与新模型不兼容。 任务怎么分配模型质量与成本的平衡手册系统把五个环节各自独立配置模型设定、目录、草稿、定稿、审校在config.example.json的choose_configs里指定。典型策略是设定和定稿用强模型草稿这种高频调用用便宜快速的模型成本与质量都能调。审校环节在consistency_checker.py定稿后可选调用把最新章节与小说设定、角色状态、全局摘要、未解决的剧情要点plot_arcs.txt放在一起让模型列出明显冲突提示词温度固定0.3要的是稳定判断而非发挥。全部提示词集中在prompt_definitions.py另有英文版prompt_definitions_en.py业务代码与提示词完全分离改文案不用翻逻辑。 三步跑起来配置、安装、启动第一步把config.example.json复制为config.json填入至少一个模型预设的 API Key 和按任务分配核心字段长这样{ llm_configs: { DeepSeek V4 Flash: { api_key: , base_url: https://api.deepseek.com, model_name: deepseek-v4-flash, temperature: 0.7, interface_format: DeepSeek } }, choose_configs: { prompt_draft_llm: DeepSeek V4 Flash } }第二步克隆代码并安装依赖后启动本地 Embedding 用 Ollama 时需先ollama serve并ollama pull nomic-embed-textgit clone https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator cd AI_NovelGenerator pip install -r requirements.txt python main.py第三步在界面里依次执行「生成设定→生成目录→生成章节草稿→定稿当前章节」每步产物都会落盘可随时暂停、手改文件再续。配置里还预留了代理与 WebDAV 字段方便内网访问和输出目录上云同步。一句话收束AI_NovelGenerator 的理念是把长程记忆全部外置为文件索引让模型每步只看见该看的内容。若想继续深入值得探索的方向是把伏笔的埋设→回收做成显式状态机让伏笔管理从提示词约定升级为可校验的约束。【免费下载链接】AI_NovelGenerator使用ai生成多章节的长篇小说自动衔接上下文、伏笔项目地址: https://gitcode.com/GitHub_Trending/ai/AI_NovelGenerator创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考